CN115294113B - 一种木饰面板质量检测方法 - Google Patents
一种木饰面板质量检测方法 Download PDFInfo
- Publication number
- CN115294113B CN115294113B CN202211206577.9A CN202211206577A CN115294113B CN 115294113 B CN115294113 B CN 115294113B CN 202211206577 A CN202211206577 A CN 202211206577A CN 115294113 B CN115294113 B CN 115294113B
- Authority
- CN
- China
- Prior art keywords
- super
- pixel block
- pixel
- point
- texture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002023 wood Substances 0.000 title claims abstract description 177
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 247
- 238000013441 quality evaluation Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 57
- 230000005856 abnormality Effects 0.000 claims description 45
- 239000003973 paint Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种木饰面板质量检测方法。方法包括:基于木饰面板的灰度图像中目标边缘线上像素点的灰度值获得各纹理区域;对各纹理区域进行超像素分割获得多个超像素块;基于各超像素块中像素点的色彩饱和度和灰度值计算各超像素块的特征指标,获得各超像素块的异常指标,进而判断各超像素块的类别;基于各疑似异常超像素块的规则性指标获得正常超像素块和异常超像素块;基于各正常超像素块的特征指标得到正常超像素块对应的质量评价影响指标;基于各异常超像素块的显著性指标得到异常超像素块对应的质量评价影响指标;基于质量评价影响指标判断木饰面板的质量是否达标。本发明提高了木饰面板的质量检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种木饰面板质量检测方法。
背景技术
随着木材工业的发展,木饰面板加工逐渐进入自动化大规模加工模式,木饰面板在生产及加工过程中,其表面可能会出现一些缺陷,影响木饰面板的美观与实用性,故需对其进行质量检测。就检测方法而言,现有的木饰面板表面检测技术存在以下缺点:传统的接触式测量技术制约了木饰面板的生产效率和加工精度,降低了木饰面板的质量;传统的离线、静态测量技术满足不了现代加工中测量的要求,不能实时检测产品,进而控制生产过程,容易产生废品;传统的基于图像处理的检测技术是将木饰面板的图像输入到神经网络中,利用神经网络提取图像中的特征,进而判断木饰面板的质量,未考虑到木材本身的特性使得加工好的木饰面板的纹理特征存在差异,纹理特征的差异会对木饰面板表面缺陷的识别造成极大困难,降低神经网络的识别精度,除此之外,为了木质产品的美观,通常会在木饰面板表面刷油漆,油漆表面存在一定的光泽,使得采集到的图像中缺陷区域的灰度与正常区域的灰度相差不大,影响木饰面板质量的检测精度。因此,如何对木饰面板的质量进行准确的评估是一个重要的问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种木饰面板质量检测方法,所采用的技术方案具体如下:
本发明提供了一种木饰面板质量检测方法,该方法包括以下步骤:
获取待检测木饰面板的灰度图像;
将所述灰度图像中与待检测木饰面板的主纹理方向垂直的两条轮廓边缘线作为目标边缘线;基于所述目标边缘线上各像素点的灰度值和所述目标边缘线上各像素点的预设邻域内像素点的灰度值,获得各纹理区域;基于各纹理区域中各像素点的色彩饱和度和各纹理区域中各像素点的灰度值,得到各纹理区域的异常程度;
对所述各纹理区域进行超像素分割获得各纹理区域对应的多个超像素块;基于各纹理区域对应的各超像素块中各像素点的色彩饱和度和灰度值,计算各纹理区域对应的各超像素块的特征指标;基于所述特征指标获得各纹理区域对应的各超像素块的异常指标;基于所述各纹理区域的异常程度和所述各纹理区域对应的各超像素块的异常指标,判断各超像素块的类别;所述类别包括正常超像素块和疑似异常超像素块;
基于各疑似异常超像素块内各像素点的灰度值,计算各疑似异常超像素块的规则性指标;基于所述规则性指标,得到疑似异常超像素块中的正常超像素块和异常超像素块;基于各正常超像素块的特征指标,得到正常超像素块对应的质量评价影响指标;基于各异常超像素块的显著性指标,得到异常超像素块对应的质量评价影响指标;
基于所述正常超像素块对应的质量评价影响指标和所述异常超像素块对应的质量评价影响指标,判断待检测木饰面板的质量是否达标。
优选的,所述基于所述目标边缘线上各像素点的灰度值和所述目标边缘线上各像素点的预设邻域内像素点的灰度值,获得各纹理区域,包括:
对于任意一条目标边缘线上的任一像素点:获取该像素点的预设邻域内的像素点的灰度值,分别计算该像素点的预设邻域内的像素点的灰度值与该像素点的灰度值的差值的绝对值,作为对应邻域像素点与该像素点的灰度差异;将与该像素点的灰度差异小于灰度差异阈值的邻域像素点作为该像素点的邻域特征点;若该像素点的邻域特征点的数量大于2,则判定该像素点为纹理特征点;
将两条目标边缘线中的其中一条目标边缘线记为第一目标边缘线,另一条目标边缘线记为第二目标边缘线;将所述第一目标边缘线的任一纹理特征点记为第一纹理特征点,将所述第二目标边缘线的任一纹理特征点记为第二纹理特征点;计算所述第一纹理特征点与所述第二纹理特征点之间的距离和第一目标边缘线上纹理特征点与第二目标边缘线上纹理特征点的距离的最大值的比值,作为所述第一纹理特征点与所述第二纹理特征点的归一化距离;计算所述第一纹理特征点与所述第二纹理特征点的灰度值的差值的绝对值,作为所述第一纹理特征点与所述第二纹理特征点的灰度差异;计算所述第一纹理特征点与所述第二纹理特征点的灰度差异和所述归一化距离的乘积,记为第一乘积;以自然常数e为底数,以负的所述第一乘积为指数的指数函数的值作为所述第一纹理特征点与所述第二纹理特征点的匹配度;
对于第一目标边缘线上的任一纹理特征点:将第二目标边缘线上与该纹理特征点匹配度最大的纹理特征点作为该纹理特征点的匹配点,该纹理特征点和所述该纹理特征点的匹配点构成一个匹配点对;
将所有匹配点对中两个纹理特征点的匹配度小于匹配度阈值的匹配点对剔除,将剩余的每个匹配点对作为一个关联组合;基于关联组合,采用链码法,获得待检测木饰面板的灰度图像中的各纹理区域。
优选的,所述基于各纹理区域中各像素点的色彩饱和度和各纹理区域中各像素点的灰度值,得到各纹理区域的异常程度,包括:
对于任一纹理区域:根据该纹理区域中各像素点的色彩饱和度,计算该纹理区域的色彩饱和度均值;根据该纹理区域中各像素点的灰度值,计算该纹理区域的灰度均值;
采用如下公式计算各纹理区域的异常程度:
其中,为第B个纹理区域的异常程度,/>为纹理区域的数量,/>为第B个纹理区域的色彩饱和度均值,/>为除第B个纹理区域之外的第i个纹理区域的色彩饱和度均值,/>为第B个纹理区域的灰度均值,/>为除第B个纹理区域之外的第i个纹理区域的灰度均值,为取最大值函数。
优选的,所述基于各纹理区域对应的各超像素块中各像素点的色彩饱和度和灰度值,计算各纹理区域对应的各超像素块的特征指标,包括:
对于任一纹理区域的任一超像素块,采用如下公式计算该超像素块的特征指标:
其中,为该超像素块的特征指标,/>为该超像素块种子点的色彩饱和度,/>为该超像素块种子点的灰度值,/>为该超像素块所在的纹理区域中超像素块的个数,/>为该超像素块种子点与该超像素块所在的纹理区域的第k个超像素块种子点的距离,/>为该超像素块所在的纹理区域的第k个超像素块中的第j个像素点的色彩饱和度,/>为该超像素块所在的纹理区域的第k个超像素块中的第j个像素点的灰度值,/>为该超像素块所在的纹理区域的第k个超像素块中像素点的个数。
优选的,所述基于所述特征指标获得各纹理区域对应的各超像素块的异常指标;基于所述各纹理区域的异常程度和所述各纹理区域对应的各超像素块的异常指标,判断各超像素块的类别,包括:
对于任一纹理区域:
基于该纹理区域中各超像素块的特征指标,计算该纹理区域中所有超像素块的特征指标的平均值;
对于该纹理区域的任一像素块:计算该超像素块的特征指标与所述该纹理区域中所有超像素块的特征指标的平均值的差值的绝对值,记为第一绝对值;获取该超像素块的特征指标和所述该纹理区域中所有超像素块的特征指标的平均值中的最大值,记为第一最大值;计算所述第一绝对值与所述第一最大值的比值,作为该超像素块的异常指标;将所述该超像素块的异常指标与该超像素块所在的纹理区域的异常程度的乘积作为该超像素块的异常程度;判断该超像素块的异常程度是否大于异常程度阈值,若大于,则判定该超像素块为疑似异常超像素块,若小于等于,则判定该超像素块为正常超像素块。
优选的,所述基于各疑似异常超像素块内各像素点的灰度值,计算各疑似异常超像素块的规则性指标,包括:
对于任一疑似异常超像素块:
在该疑似异常超像素块的边缘线上均匀选取预设个数的采样点,分别连接各采样点与该疑似异常超像素块的种子点,获得多条采样线段;
对于该疑似异常超像素块内的任一采样线段:以该疑似异常超像素块的种子点为起始点,以该采样线段上的超像素块的边缘像素点为终止点,按照先后顺序分别判断该采样线段上的相邻像素点的灰度值的差值是否为0,统计该采样线段上相邻像素点的灰度值的差值不为0的差值的个数;对于该采样线段上除种子点外的任一像素点:计算该像素点的灰度值与该像素点所在的超像素块种子点的灰度值的差值的绝对值,记为第二绝对值,计算该像素点和该像素点所在的超像素块种子点之间的距离,将所述第二绝对值与所述该像素点和该像素点所在的超像素块种子点之间的距离的比值作为该像素点对应的灰度变化特征值;
采用如下公式计算该疑似异常超像素块的规则性指标:
其中,为该疑似异常超像素块的规则性指标,/>为该疑似异常超像素块对应的第q条采样线段上相邻像素点的灰度值的差值不为0的差值个数,/>为该疑似异常超像素块对应的采样线段的数量,/>为该疑似异常超像素块对应的第q条采样线段上像素点的数量,/>为该疑似异常超像素块对应的第q条采样线段上除种子点之外的像素点的数量,为该疑似异常超像素块对应的第q条采样线段上第p个像素点对应的灰度变化特征值,为该疑似异常超像素块对应的第q条采样线段上除种子点外的所有像素点对应的灰度变化特征值的均值,/>为调整参数。
优选的,所述基于所述规则性指标,得到疑似异常超像素块中的正常超像素块和异常超像素块,包括:判断各疑似异常超像素块的规则性指标是否大于规则性指标阈值,若大于,则判定对应超像素块为正常超像素块,若小于等于,则判定对应超像素块为异常超像素块。
优选的,所述基于各正常超像素块的特征指标,得到正常超像素块对应的质量评价影响指标,包括:
计算各正常超像素块的特征指标与正常超像素块的特征指标的均值的差值的平方之和,记为第一指标;计算所述第一指标与待检测木饰面板的灰度图像中正常超像素块的个数的比值,作为正常超像素块对应的质量评价影响指标。
优选的,所述基于各异常超像素块的显著性指标,得到异常超像素块对应的质量评价影响指标,包括:
采用如下公式计算各异常超像素块的显著性指标:
其中,为第w个异常超像素块的显著性指标,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的超像素块的个数,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的第r个超像素块内的像素点个数,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的第R个超像素块内第r个像素点的色彩饱和度,/>为第w个异常超像素块种子点和第w个超像素块相邻的第R个超像素块内第r个像素点的距离,/>为第w个异常超像素块种子点的色彩饱和度;
对于任一异常超像素块:计算该异常超像素块的显著性指标和该异常超像素块种子点与待检测木饰面板的灰度图像的中心点之间的距离的比值,作为该异常超像素块对应的第一比值;
根据各异常超像素块对应的第一比值,计算待检测木饰面板的灰度图像中所有异常超像素块对应的第一比值的均值,作为异常超像素块对应的质量评价影响指标。
优选的,所述基于所述正常超像素块对应的质量评价影响指标和所述异常超像素块对应的质量评价影响指标,判断待检测木饰面板的质量是否达标,包括:
根据所述正常超像素块对应的质量评价影响指标和所述异常超像素块对应的质量评价影响指标,采用如下公式计算待检测木饰面板的质量指标:
其中,为待检测木饰面板的质量指标,/>为自然常数,/>为正常超像素块对应的质量评价影响指标,/>为异常超像素块对应的质量评价影响指标,/>为第一权值;
判断所述待检测木饰面板的质量指标是否大于质量指标阈值,若大于,则判定待检测木饰面板的质量达标,若小于等于,则判定待检测木饰面板的质量不达标。
本发明具有如下有益效果:
1、本发明考虑到待检测木饰面板的缺陷区域可能较小,若对待检测木饰面板的灰度图像中的每个纹理区域进行整体分析,难以提取到较小的缺陷区域的准确位置,因此本发明对各纹理区域进行超像素分割获得各纹理区域对应的多个超像素块,基于超像素块的特征将待检测木饰面板的灰度图像中的所有超像素块划分为正常超像素块和异常超像素块,正常超像素块的特征指标表征待检测木饰面板的灰度图像中正常超像素块的均匀程度,异常超像素块的显著性指标表征待检测木饰面板的灰度图像中异常超像素块内缺陷的明显程度,本发明基于正常超像素块的特征指标和异常超像素块的显著性指标判断待检测木饰面板的质量是否达标,较全面地对待检测木饰面板的质量进行了评价,提高了待检测木饰面板质量的检测精度。
2、本发明基于超像素块的异常指标和超像素块所在的纹理区域的异常程度,对超像素块的类别进行判断时,又考虑到待检测木饰面板上的油漆等干扰因素会产生反光现象,可能会造成对应位置的异常程度与实际异常程度不符,进而导致对应超像素块误判,故需要对可能存在误判的超像素块进行进一步的分析,因此先将所有超像素块初步划分为正常超像素块和疑似异常超像素块,紧接着又基于各疑似异常超像素块的规则性指标,再次对疑似异常超像素块进行判别,提高了待检测木饰面板的灰度图像中正常超像素块和异常超像素块的分类精度,进而能够提高后续待检测木饰面板质量检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的一种木饰面板质量检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种木饰面板质量检测方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种木饰面板质量检测方法的具体方案。
一种木饰面板质量检测方法实施例:
本实施例提出了一种木饰面板质量检测方法,如图1所示,本实施例的一种木饰面板质量检测方法包括以下步骤:
步骤S1,获取待检测木饰面板的灰度图像。
为了提高木饰面板的生产质量,降低废品率,本实施例将对生产完毕的木饰面板进行质量检测,若发现有大量木饰面板质量存在问题,需及时提醒工作人员检查对应工序,及时进行调整。本实施例对生产完毕的木饰面板进行图像采集,对采集到的木饰面板图像进行分析,进而对木饰面板的质量进行评估。
将工业相机设置在待检测木饰面板的正上方,以俯视视角拍摄待检测木饰面板的表面图像,拍摄到的待检测木饰面板的表面图像为RGB图像,对待检测木饰面板的表面图像进行灰度化处理,得到待检测木饰面板表面的灰度图像。灰度化处理为现有技术,此处不再赘述。
木饰面板表面具有复杂的纹理背景,而缺陷在整张图像中所占比重较小,因此木饰面板的质量检测效果易受纹理背景影响,且木饰面板表面的油漆也会存在一定的反光现象,从而导致木饰面板的质量检测效果较差。为了排除无关因素的干扰,减少计算量,本实施例使用大津阈值法对待检测木饰面板表面的灰度图像进行分割,将待检测木饰面板表面区域作为前景,其余区域作为背景,得到待检测木饰面板区域灰度图像,将待检测木饰面板区域灰度图像记为待检测木饰面板的灰度图像。大津阈值分割法为公知技术,此处不再赘述。
步骤S2,将所述灰度图像中与待检测木饰面板的主纹理方向垂直的两条轮廓边缘线作为目标边缘线;基于所述目标边缘线上各像素点的灰度值和所述目标边缘线上各像素点的预设邻域内像素点的灰度值,获得各纹理区域;基于各纹理区域中各像素点的色彩饱和度和各纹理区域中各像素点的灰度值,得到各纹理区域的异常程度。
采用canny算子对待检测木饰面板的灰度图像进行边缘检测,得到边缘像素点,获取待检测木饰面板的轮廓边缘线,分别为上边缘线、下边缘线、左边缘线和右边缘线,将与待检测木饰面板的主纹理方向垂直的两条轮廓边缘线作为目标边缘线,待检测木饰面板的主纹理方向为待检测木饰面板的灰度图像中纹理的大致方向,由于待检测木饰面板的灰度图像中纹理的大致方向一般为水平方向和竖直方向,因此当待检测木饰面板的主纹理方向为水平方向时,目标边缘线为待检测木饰面板的左边缘和右边缘;当待检测木饰面板的主纹理方向为竖直方向时,目标边缘线为待检测木饰面板的上边缘和下边缘。
接下来对各目标边缘线进行分析,获得各目标边缘线上的纹理特征点,用于后续待检测木饰面板的灰度图像中纹理区域的提取。
对于任意一条目标边缘线上的任一像素点:获取该像素点的预设邻域内的像素点的灰度值,分别计算该像素点的预设邻域内的像素点的灰度值与该像素点的灰度值的差值的绝对值,将该绝对值作为对应邻域像素点与该像素点的灰度差异,设置灰度差异阈值,将与该像素点的灰度差异小于/>的邻域像素点作为该像素点的邻域特征点,判断该像素点的邻域特征点的数量是否大于2,若大于,则判定该像素点为纹理特征点。灰度差异阈值/>是为了判断像素点与其邻域像素点是否存在灰度差异,因此该阈值通常设定为一个数值比较小的灰度值,本实施例设置/>的值为10,在具体应用中,实施者可根据实际情况自行设置的值。本实施例中的预设邻域为8邻域,在具体应用中实施者可自行设置邻域的大小。
采用上述方法,对两条目标边缘线上的纹理特征点进行判定,获得了各目标边缘线上的纹理特征点。接下来对两条目标边缘线上的纹理特征点进行匹配,进而获取待检测木饰面板的各纹理区域。将两条目标边缘线中的其中一条目标边缘线记为第一目标边缘线,另一条目标边缘线记为第二目标边缘线;本实施例为了获取各纹理区域,需对两条边缘线上的纹理特征点进行匹配,判断哪些纹理特征点属于同一纹理区域的像素点,由于本实施例获得的纹理特征点均为木饰面板边缘轮廓上的像素点且木饰面板上同一纹理区域像素点的灰度差异较小,不同纹理区域像素点的灰度差异较大,因此同一纹理区域的纹理特征点之间的距离较近且灰度差异较小。基于此,本实施例根据第一目标边缘线和第二目标边缘线上各纹理特征点的灰度值以及第一目标边缘线上各纹理特征点与第二目标边缘线上各纹理特征点的距离,计算第一目标边缘线上各纹理特征点与第二目标边缘线上各纹理特征点的匹配度,即:
其中,为第一目标边缘线上第b个纹理特征点与第二目标边缘线上第m个纹理特征点的匹配度,/>为第一目标边缘线上第b个纹理特征点与第二目标边缘线上第m个纹理特征点的距离,/>为第一目标边缘线上纹理特征点与第二目标边缘线上纹理特征点的距离的最大值,/>为第一目标边缘线上第b个纹理特征点的灰度值,/>为第二目标边缘线上第m个纹理特征点的灰度值,/>为自然常数。引入/>是为了对两个纹理特征点之间的距离进行归一化处理,归一化之后的距离越小,说明对应两个纹理特征点越可能属于同一个纹理区域内的像素点;若两条目标边缘线上的两个纹理特征点的灰度差异较小但是这两个纹理特征点的距离较远,则说明这两个纹理特征点可能属于同一类纹理区域内的像素点但不属于同一个纹理区域内的像素点;当两条目标边缘线上的两个纹理特征点的灰度差异越小且这两个纹理特征点的距离越近时,说明这两个纹理特征点越可能属于同一个纹理区域内的像素点,这两个纹理特征点的匹配度越高,即/>的值越大。
采用上述方法,能够得到第一目标边缘线上各纹理特征点与第二目标边缘线上各纹理特征点的匹配度。对于第一目标边缘线上任一纹理特征点:将第二目标边缘线上与该纹理特征点匹配度最大的纹理特征点作为该纹理特征点的匹配点,该纹理特征点和该纹理特征点的匹配点构成一个匹配点对。采用上述方法,能够得到第一目标边缘线和第二目标边缘线对应的多个匹配点对。考虑到有少量的纹理特征点为干扰点,这些纹理特征点与另一条目标边缘线上匹配度最大的纹理特征点并不属于同一纹理区域,因此,本实施例设置匹配度阈值,将匹配点对中两个纹理特征点的匹配度小于/>的匹配点对剔除,将剩余的每个匹配点对作为一个关联组合。匹配度阈值/>是为了判断两条目标边缘线上纹理特征点是否属于同一个纹理区域内的像素点,因此该阈值通常设定为一个数值比较大的匹配度,本实施例设置/>的值为0.75,在具体应用中,实施者可根据实际情况自行设置/>的值。至此,获得了待检测木饰面板的灰度图像中的所有关联组合。
对于任一关联组合,采用链码法,顺时针方向获取纹理区域。链码法为公知技术,此处不再赘述。利用上述方法能够获得待检测木饰面板的灰度图像中的部分纹理区域,由于有些纹理区域像素点受到灰度值的干扰,使得无法提取到纹理特征点,待检测木饰面板的灰度图像应是由多个纹理区域拼接而成的,因此,本实施例将基于链码法得到的任意两个相邻的纹理区域之间的区域也作为一个纹理区域,至此,得到待检测木饰面板的灰度图像中的所有纹理区域。
考虑到当待检测木饰面板不存在缺陷区域时,待检测木饰面板的灰度图像中同一个纹理区域内像素点的色彩饱和度和灰度值都应当相似。若某个纹理区域内像素点的色彩饱和度与其它各纹理区域内像素点的色彩饱和度差异较大,则说明该纹理区域在待检测木饰面板的图像中较异常;若某个纹理区域内像素点的色彩饱和度与其它各纹理区域内像素点的灰度差异较大,说明该纹理区域在待检测木饰面板的图像中较异常。基于此,本实施例将待检测木饰面板区域的图像转换至HSV空间,进而获取图像中每个像素点的色彩饱和度S,对于任一纹理区域:根据该纹理区域中各像素点的色彩饱和度,计算该纹理区域像素点的平均色彩饱和度,作为该纹理区域的色彩饱和度均值;根据该纹理区域中各像素点的灰度值,计算该纹理区域像素点的平均灰度值,作为该纹理区域的灰度均值。采用该方法能够得到各纹理区域的色彩饱和度均值和灰度均值。根据各纹理区域的色彩饱和度均值和灰度均值,计算各纹理区域的异常程度,即:
其中,为第B个纹理区域的异常程度,/>为纹理区域的数量,/>为第B个纹理区域的色彩饱和度均值,/>为除第B个纹理区域之外的第i个纹理区域的色彩饱和度均值,/>为第B个纹理区域的灰度均值,/>为除第B个纹理区域之外的第i个纹理区域的灰度均值,为取最大值函数。
表征第B个纹理区域和第i个纹理区域的色彩饱和度的差异,/>是对第B个纹理区域和第i个纹理区域的色彩饱和度的差异进行归一化处理,归一化处理后的色彩饱和度的差异越大,说明第B个纹理区域与其它纹理区域的色彩饱和度的差异越大,该纹理区域的异常程度越大,即第B个纹理区域越可能为异常区域;/>表征第B个纹理区域和第i个纹理区域的灰度差异,/>是对第B个纹理区域和第i个纹理区域的灰度差异进行归一化处理,归一化处理后的灰度差异越大,说明第B个纹理区域与其它纹理区域的灰度差异越大,该区域的异常程度越大,即第B个纹理区域越可能为异常区域。
步骤S3,对所述各纹理区域进行超像素分割获得各纹理区域对应的多个超像素块;基于各纹理区域对应的各超像素块中各像素点的色彩饱和度和灰度值,计算各纹理区域对应的各超像素块的特征指标;基于所述特征指标获得各纹理区域对应的各超像素块的异常指标;基于所述各纹理区域的异常程度和所述各纹理区域对应的各超像素块的异常指标,判断各超像素块的类别;所述类别包括正常超像素块和疑似异常超像素块。
根据上述步骤得到了每个纹理区域的异常程度,但是考虑到待检测木饰面板的异常区域可能较小,因此当缺陷区域较小时,纹理区域的整体异常程度无法反映出异常区域的具体位置信息。本实施例使用SLIC超像素分割算法分别对各纹理区域进行超像素分割,得到各纹理区域对应的多个超像素块,再根据超像素块的特征,对纹理区域内部进行分析。超像素分割算法为公知技术,此处不再赘述。
考虑到对纹理区域内的每个超像素块进行分析时,若对每个超像素块内的每个像素点都进行分析计算量较大,超像素块内种子点的特征就能够表征整个超像素块的大致特征,因此,本实施例对某个超像素块进行分析时,用该超像素块种子点的特征表征该像素块内其它像素点的特征,同时又考虑到该超像素块与该超像素块所在的纹理区域中所有超像素块的色彩饱和度差异和灰度差异能够表征该超像素块的特征凸显程度,若该超像素块种子点与该超像素块所在的纹理区域中所有超像素块种子点的距离之和越小、该超像素块与该超像素块所在的纹理区域中所有超像素块的色彩饱和度差异和灰度差异均越大,则说明该超像素块在对应纹理区域内呈现出的特征越明显。
对于任一纹理区域:
对于该纹理区域的任一超像素块F:根据该超像素块种子点的色彩饱和度和灰度值,以及该纹理区域中其它各超像素块中各像素点的色彩饱和度和灰度值,计算该超像素块的特征指标,即:
其中,为该超像素块的特征指标,/>为该超像素块种子点的色彩饱和度,/>为该超像素块种子点的灰度值,/>为该超像素块所在的纹理区域中超像素块的个数,/>为该超像素块种子点与该超像素块所在的纹理区域的第k个超像素块种子点的距离,/>为该超像素块所在的纹理区域的第k个超像素块中的第j个像素点的色彩饱和度,/>为该超像素块所在的纹理区域的第k个超像素块中的第j个像素点的灰度值,/>为该超像素块所在的纹理区域的第k个超像素块中像素点的个数。
若该超像素块所在的纹理区域的第k个超像素块中像素点与该超像素块种子点的色彩饱和度差异较大,且该超像素块所在的纹理区域的第k个超像素块中像素点与该超像素块种子点的灰度差异较大,则说明这两个超像素块不相似;若该超像素块种子点与该超像素块所在的纹理区域的第k个超像素块的距离较近,但该超像素块与该超像素块所在的纹理区域中所有超像素块的色彩饱和度差异和灰度差异均较大,则说明该超像素块与对应纹理区域内其它像素块不相似;因此,当该超像素块与该超像素块所在的纹理区域中所有超像素块的色彩饱和度差异越大、灰度差异越大且该超像素块种子点与该超像素块所在的纹理区域中所有超像素块种子点的距离之和越小时,说明该超像素块呈现出的特征越明显,即该超像素块的特征指标越大。
采用上述方法,能够得到该纹理区域各超像素块的特征指标,特征指标越大,说明对应超像素块呈现的特征越明显;特征指标越小,说明对应超像素块呈现的特征越不明显。基于此,接下来基于该纹理区域中各超像素块的特征指标,计算该纹理区域中所有超像素块的特征指标的平均值;对于该纹理区域的第F个超像素块:该超像素块的特征指标为/>,计算该超像素块的特征指标/>与该纹理区域中所有超像素块的特征指标的平均值/>的差值的绝对值µ,用于表征该超像素块的特征指标与该超像素块所在的纹理区域中所有超像素块的特征指标的均值的差异,差异越大,说明该超像素块越异常,即该超像素块的异常指标越大;本实施例获取/>和/>中的最大值,计算µ与/>和/>中的最大值的比值,作为该超像素块的异常指标/>;若该超像素块所在的纹理区域的异常程度越高且该超像素块的异常指标越大,则说明该超像素块的异常程度越大,即该超像素块越可能为缺陷区域,因此,本实施例将该超像素块的异常指标与该超像素块所在的纹理区域的异常程度的乘积作为该超像素块的异常程度。
根据上述方法,能够得到各纹理区域对应的各超像素块的异常程度,异常程度越大,说明对应超像素块越异常,即对应超像素块越可能为缺陷区域,因此本实施例设置异常程度阈值,判断各超像素块的异常程度是否大于/>,若大于,则判定对应超像素块为疑似异常超像素块,若小于等于,则判定对应超像素块为正常超像素块。需要说明的是,之所以将异常程度大于/>的超像素块判定为疑似异常超像素块,是因为考虑到若对应位置油漆产生反光等干扰因素,可能会造成对应超像素块的异常程度与实际异常程度不符,进而导致对应超像素块误判,故需要对异常超像素块进行进一步的分析,提高待检测木饰面板质量的检测精度。至此,得到了正常超像素块和疑似异常超像素块。本实施例设置/>的值为0.9,在具体应用中,实施者可自行设置。
步骤S4,基于各疑似异常超像素块内各像素点的灰度值,计算各疑似异常超像素块的规则性指标;基于所述规则性指标,得到疑似异常超像素块中的正常超像素块和异常超像素块;基于各正常超像素块的特征指标,得到正常超像素块对应的质量评价影响指标;基于各异常超像素块的显著性指标,得到异常超像素块对应的质量评价影响指标。
接下来本实施例对每个疑似异常超像素块进行单独分析,进而将疑似异常超像素块划分为正常超像素块和异常超像素块两类。
对于第H个疑似异常超像素块:
获取该疑似异常超像素块的种子点h点,在该疑似异常超像素块的边缘线上均匀选取个采样点,分别连接各采样点与种子点h点,获得/>条采样线段;对于任意一条采样线段:对该采样线段上的像素点进行分析,以种子点为起始点,以该采样线段上的超像素块的边缘像素点为终止点,按照先后顺序分别判断该采样线段上的相邻像素点的灰度值是否相同,即计算该采样线段上的相邻像素点的灰度值的差值是否为0,统计所有不为0的差值的个数;采用上述方法,能够得到该超像素块对应的各采样线段上相邻像素点的灰度值的差值不为0的差值的个数,该个数越多,说明对应采样线段上像素点的灰度变化越大。/>的值实施者根据实际情况进行设置。
考虑到采样线段上的像素点与种子点的距离和采样线段上的像素点与种子点的灰度差异能够反映对应像素点的灰度变化情况,当采样线段上的某一像素点与种子点的距离较近,但是该像素点与种子点的灰度差异较大时,说明该像素点的灰度变化较明显。因此,对于任一采样线段上除种子点外的任一像素点:计算该像素点的灰度值与该像素点所在的超像素块种子点的灰度值的差值的绝对值δ,该绝对值用于表征这两个像素点的灰度差异;同时计算该像素点与该像素点所在的超像素块种子点的距离d,将δ与d的比值作为该像素点对应的灰度变化特征值。根据上述方法,能够得到该采样线段上除种子点外的各像素点对应的灰度变化特征值。若该采样线段上所有像素点与该采样线段所在的超像素块种子点的距离较近,但该采样线段上像素点与种子点的灰度差异较大,则说明该超像素块内的像素点较不均匀。
基于此,本实施例首先计算该疑似异常超像素块对应的各采样线段上除种子点外的所有像素点对应的灰度变化特征值的均值,一个采样线段对应一个灰度变化特征值的均值;然后根据该疑似异常超像素块对应的各采样线段上相邻像素点的灰度值的差值不为0的差值的个数、该疑似异常超像素块对应的各采样线段上除种子点外的各像素点对应的灰度变化特征值以及该疑似异常超像素块对应的各采样线段上除种子点外的所有像素点对应的灰度变化特征值的均值,计算该疑似异常超像素块的规则性指标,即:
其中,为该疑似异常超像素块的规则性指标,/>为该疑似异常超像素块对应的第q条采样线段上相邻像素点的灰度值的差值不为0的差值个数,/>为该疑似异常超像素块对应的采样线段的数量,/>为该疑似异常超像素块对应的第q条采样线段上像素点的数量,/>为该疑似异常超像素块对应的第q条采样线段上除种子点之外的像素点的数量,为该疑似异常超像素块对应的第q条采样线段上第p个像素点对应的灰度变化特征值,为该疑似异常超像素块对应的第q条采样线段上除种子点外的所有像素点对应的灰度变化特征值的均值,/>为调整参数。本实施例设置/>的值为0.01,在具体应用中,实施者也可自行设置/>的值,引入调整参数是为了防止分母为0。
若该疑似异常超像素块对应的每条采样线段上像素点对应的灰度变化特征值与该疑似异常超像素块对应的每条采样线段上除种子点外的所有像素点对应的灰度变化特征值的均值的差异越小,则说明该疑似异常超像素块内的像素点的灰度越均匀;若该疑似异常超像素块对应的每条采样线段上相邻像素点的灰度值的差值不为0的差值的个数越少,则说明该疑似异常超像素块内的像素点的灰度越均匀;待检测木饰面板的质量越好,同一纹理区域内像素点的灰度应当越均匀,即像素点的灰度分布应当越规则;因此,当该疑似异常超像素块对应的每条采样线段上像素点对应的灰度变化特征值与该疑似异常超像素块对应的每条采样线段上除种子点外的所有像素点对应的灰度变化特征值的均值的差异越小、且该疑似异常超像素块对应的每条采样线段上相邻像素点的灰度值的差值不为0的差值的个数越少时,该疑似异常超像素块内的像素点越规则,即该疑似异常超像素块的规则性指标越大。
采用上述方法,能够得到各疑似异常超像素块的规则性指标,规则性指标越大,说明对应超像素块内的像素点越规则;规则性指标越小,说明对应超像素块内的像素点越不规则;本实施例设置规则性指标阈值,判断各疑似异常超像素块的规则性指标是否大于,若大于,则判定对应超像素块为正常超像素块,若小于等于,则判定对应超像素块为异常超像素块;本实施例设置/>的值为0.9,在具体应用中,实施者可根据具体情况进行设置。
至此,将待检测木饰面板的灰度图像中的所有超像素块划分为了两类,一类为正常超像素块,另一类为异常超像素块,接下来分别对这两类超像素块进行分析,进而对待检测木饰面板的质量进行评估。
对于正常超像素块:根据各正常超像素块的特征指标,计算正常超像素块的特征指标的均值;每个正常超像素块的特征指标与正常超像素块的特征指标的均值差异越小,说明每个正常超像素块的特征指标越接近平均特征指标,即正常超像素块呈现的特征越相似,待检测木饰面板的灰度图像中正常超像素块的质量越好。因此,根据各正常超像素块的特征指标和正常超像素块的特征指标的均值,计算正常超像素块对应的质量评价影响指标,即:
其中,为正常超像素块对应的质量评价影响指标,/>为待检测木饰面板的灰度图像中正常超像素块的个数,/>为第/>个正常超像素块的特征指标,/>为正常超像素块的特征指标的均值。/>表征所有正常超像素块与正常超像素块的特征指标的均值的平均差异,该平均差异越大,说明正常超像素块的特征越不相似,待检测木饰面板表面均匀性越差,待检测木饰面板的质量越差。
考虑到对每个异常超像素块进行分析时,若对每个异常超像素块内的每个像素点都进行分析计算量较大,超像素块内种子点的特征就能够表征整个超像素块的大致特征,因此,本实施例对某个异常超像素块进行分析时,用该异常超像素块种子点的特征表征该像素块内其它像素点的特征,同时又考虑到该异常超像素块和与该异常超像素块相邻的超像素块的色彩饱和度差异能够表征该异常超像素块的显著性,若该异常超像素块种子点和与该异常超像素块相邻的各超像素块种子点的距离较近,但该异常超像素块种子点和与该异常超像素块相邻的各超像素块内的像素点的色彩饱和度差异较大,则说明该异常超像素块呈现的特征较明显,即该异常超像素块的显著性较大。
对于第w个异常超像素块:根据待检测木饰面板的灰度图像中与该异常超像素块相邻的各超像素块中各像素点的色彩饱和度以及待检测木饰面板的灰度图像中与该超像素块相邻的各超像素块种子点和该超像素块种子点之间的距离,计算该超像素块的显著性指标,即:
其中,为第w个异常超像素块的显著性指标,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的超像素块的个数,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的第r个超像素块内的像素点个数,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的第R个超像素块内第r个像素点的色彩饱和度,/>为第w个异常超像素块种子点和第w个超像素块相邻的第R个超像素块内第r个像素点的距离,/>为第w个异常超像素块种子点的色彩饱和度。
表征第w个超像素块种子点与第w个异常超像素块相邻的超像素块内的像素点的色彩饱和度的差异,该差异越大,说明第w个异常超像素块呈现的特征越明显;当第w个异常超像素块种子点与第w个异常超像素块相邻的超像素块内像素点的距离越小且第w个异常超像素块种子点与第w个异常超像素块相邻的超像素块内的像素点的色彩饱和度的差异越大时,说明第w个异常超像素块的显著性越大,该超像素块的缺陷越明显,即越大。需要说明的是:与第w个异常超像素块相连的超像素块(有相同边缘点,不论有几个相同的边缘点)均称之为与第w个异常超像素块相邻的超像素块。
同理,采用上述方法,能够得到各异常超像素块的显著性指标。显著性指标反映待检测木饰面板的灰度图像中异常超像素块内缺陷的明显程度,异常超像素块的显著性指标越大,说明异常超像素块的缺陷越明显;异常超像素块的显著性指标越小,说明异常超像素块的缺陷越不明显。基于此,本实施例根据每个异常超像素块的显著性指标,计算异常超像素块对应的质量评价影响指标,即:
其中,为异常超像素块对应的质量评价影响指标,/>为异常超像素块的个数,为第v个异常超像素块的显著性指标,/>为第v个异常超像素块种子点与待检测木饰面板的灰度图像的中心点的距离。异常超像素块的显著性指标越大,说明异常超像素块的缺陷越明显,异常超像素块对待检测木饰面板的质量影响越大;异常超像素块种子点与待检测木饰面板的灰度图像的中心点的距离越近,说明缺陷区域越靠近待检测木饰面板的中心位置;当异常超像素块的显著性指标越大且异常超像素块种子点与待检测木饰面板的灰度图像的中心点的距离越近时,说明待检测木饰面板上的缺陷越显著,待检测木饰面板的灰度图像中异常超像素块的质量越差,即异常超像素块对应的质量评价影响指标/>越大。
至此,采用上述方法得到了正常超像素块对应的质量评价影响指标和异常超像素块对应的质量评价影响指标。
步骤S5,基于所述正常超像素块对应的质量评价影响指标和所述异常超像素块对应的质量评价影响指标,判断待检测木饰面板的质量是否达标。
在上述步骤中得到了正常超像素块对应的质量评价影响指标和异常超像素块对应的质量评价影响指标,正常超像素块对应的质量评价影响指标表征待检测木饰面板的灰度图像中正常超像素块内特征的均匀程度,异常超像素块对应的质量评价影响指标表征待检测木饰面板的灰度图像中异常超像素块内缺陷的显著程度,因此接下来本实施例基于正常超像素块对应的质量评价影响指标和异常超像素块对应的质量评价影响指标对待检测木饰面板的质量进行评价,计算待检测木饰面板的质量指标,即:
其中,为待检测木饰面板的质量指标,/>为自然常数,/>为正常超像素块对应的质量评价影响指标,/>为异常超像素块对应的质量评价影响指标,/>为第一权值。待检测木饰面板的灰度图像中正常超像素块内特征越不均匀、异常超像素块内缺陷的显著程度越大,说明待检测木饰面板的质量越差,即待检测木饰面板的质量指标越小;待检测木饰面板的灰度图像中正常超像素块内特征越均匀、异常超像素块内缺陷的显著程度越小,说明待检测木饰面板的质量越好,即待检测木饰面板的质量指标越大。本实施例设置/>,在具体应用中,实施者可自行设置。
待检测木饰面板的质量指标越大,待检测木饰面板的质量越好;待检测木饰面板的质量指标越小,待检测木饰面板的质量越不好;本实施例设置质量指标阈值,判断待检测木饰面板的质量指标/>是否大于/>,若大于,则判定待检测木饰面板的质量达标,若小于等于,则判定待检测木饰面板的质量不达标。至此,完成待检测木饰面板的质量检测,当待检测木饰面板的质量不达标时,及时提醒工作人员检查相应工序,并进行调整,提高后续生产出来的木饰面板的合格率。本实施例设置/>的值为0.75,在具体应用中,实施者可根据具体情况自行设置。
本实施例考虑到待检测木饰面板的缺陷区域可能较小,若对待检测木饰面板的灰度图像中的每个纹理区域进行整体分析,难以提取到较小的缺陷区域的准确位置,因此本实施例对各纹理区域进行超像素分割获得各纹理区域对应的多个超像素块,基于超像素块的特征将待检测木饰面板的灰度图像中的所有超像素块划分为正常超像素块和异常超像素块,正常超像素块的特征指标表征待检测木饰面板的灰度图像中正常超像素块的均匀程度,异常超像素块的显著性指标表征待检测木饰面板的灰度图像中异常超像素块内缺陷的明显程度,本实施例基于正常超像素块的特征指标和异常超像素块的显著性指标判断待检测木饰面板的质量是否达标,较全面地对待检测木饰面板的质量进行了评价,提高了待检测木饰面板质量的检测精度。本实施例基于超像素块的异常指标和超像素块所在的纹理区域的异常程度,对超像素块的类别进行判断时,又考虑到待检测木饰面板上的油漆等干扰因素会产生反光现象,可能会造成对应位置的异常程度与实际异常程度不符,进而导致对应超像素块误判,故需要对可能存在误判的超像素块进行进一步的分析,因此先将所有超像素块初步划分为正常超像素块和疑似异常超像素块,紧接着又基于各疑似异常超像素块的规则性指标,再次对疑似异常超像素块进行判别,提高了待检测木饰面板的灰度图像中正常超像素块和异常超像素块的分类精度,进而能够提高后续待检测木饰面板质量检测的准确性。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种具有纹理特征和油漆光泽的木饰面板质量检测方法,其特征在于,该方法包括以下步骤:
获取待检测木饰面板的灰度图像;
将所述灰度图像中与待检测木饰面板的主纹理方向垂直的两条轮廓边缘线作为目标边缘线;基于所述目标边缘线上各像素点的灰度值和所述目标边缘线上各像素点的预设邻域内像素点的灰度值,获得各纹理区域;基于各纹理区域中各像素点的色彩饱和度和各纹理区域中各像素点的灰度值,得到各纹理区域的异常程度;
对所述各纹理区域进行超像素分割获得各纹理区域对应的多个超像素块;基于各纹理区域对应的各超像素块中各像素点的色彩饱和度和灰度值,计算各纹理区域对应的各超像素块的特征指标;基于所述特征指标获得各纹理区域对应的各超像素块的异常指标;基于所述各纹理区域的异常程度和所述各纹理区域对应的各超像素块的异常指标,判断各超像素块的类别;所述类别包括正常超像素块和疑似异常超像素块;
基于各疑似异常超像素块内各像素点的灰度值,计算各疑似异常超像素块的规则性指标;基于所述规则性指标,得到疑似异常超像素块中的正常超像素块和异常超像素块;基于各正常超像素块的特征指标,得到正常超像素块对应的质量评价影响指标;基于各异常超像素块的显著性指标,得到异常超像素块对应的质量评价影响指标;
基于所述正常超像素块对应的质量评价影响指标和所述异常超像素块对应的质量评价影响指标,判断待检测木饰面板的质量是否达标;
其中,所述基于所述目标边缘线上各像素点的灰度值和所述目标边缘线上各像素点的预设邻域内像素点的灰度值,获得各纹理区域,包括:
对于任意一条目标边缘线上的任一像素点:获取该像素点的预设邻域内的像素点的灰度值,分别计算该像素点的预设邻域内的像素点的灰度值与该像素点的灰度值的差值的绝对值,作为对应邻域像素点与该像素点的灰度差异;将与该像素点的灰度差异小于灰度差异阈值的邻域像素点作为该像素点的邻域特征点;若该像素点的邻域特征点的数量大于2,则判定该像素点为纹理特征点;
将两条目标边缘线中的其中一条目标边缘线记为第一目标边缘线,另一条目标边缘线记为第二目标边缘线;将所述第一目标边缘线的任一纹理特征点记为第一纹理特征点,将所述第二目标边缘线的任一纹理特征点记为第二纹理特征点;计算所述第一纹理特征点与所述第二纹理特征点之间的距离和第一目标边缘线上纹理特征点与第二目标边缘线上纹理特征点的距离的最大值的比值,作为所述第一纹理特征点与所述第二纹理特征点的归一化距离;计算所述第一纹理特征点与所述第二纹理特征点的灰度值的差值的绝对值,作为所述第一纹理特征点与所述第二纹理特征点的灰度差异;计算所述第一纹理特征点与所述第二纹理特征点的灰度差异和所述归一化距离的乘积,记为第一乘积;以自然常数e为底数,以负的所述第一乘积为指数的指数函数的值作为所述第一纹理特征点与所述第二纹理特征点的匹配度;
对于第一目标边缘线上的任一纹理特征点:将第二目标边缘线上与该纹理特征点匹配度最大的纹理特征点作为该纹理特征点的匹配点,该纹理特征点和所述该纹理特征点的匹配点构成一个匹配点对;
将所有匹配点对中两个纹理特征点的匹配度小于匹配度阈值的匹配点对剔除,将剩余的每个匹配点对作为一个关联组合;基于关联组合,采用链码法,获得待检测木饰面板的灰度图像中的各纹理区域;
所述基于各疑似异常超像素块内各像素点的灰度值,计算各疑似异常超像素块的规则性指标,包括:
对于任一疑似异常超像素块:
在该疑似异常超像素块的边缘线上均匀选取预设个数的采样点,分别连接各采样点与该疑似异常超像素块的种子点,获得多条采样线段;
对于该疑似异常超像素块内的任一采样线段:以该疑似异常超像素块的种子点为起始点,以该采样线段上的超像素块的边缘像素点为终止点,按照先后顺序分别判断该采样线段上的相邻像素点的灰度值的差值是否为0,统计该采样线段上相邻像素点的灰度值的差值不为0的差值的个数;对于该采样线段上除种子点外的任一像素点:计算该像素点的灰度值与该像素点所在的超像素块种子点的灰度值的差值的绝对值,记为第二绝对值,计算该像素点和该像素点所在的超像素块种子点之间的距离,将所述第二绝对值与所述该像素点和该像素点所在的超像素块种子点之间的距离的比值作为该像素点对应的灰度变化特征值;
采用如下公式计算该疑似异常超像素块的规则性指标:
;
其中,为该疑似异常超像素块的规则性指标,/>为该疑似异常超像素块对应的第q条采样线段上相邻像素点的灰度值的差值不为0的差值个数,/>为该疑似异常超像素块对应的采样线段的数量,/>为该疑似异常超像素块对应的第q条采样线段上像素点的数量,为该疑似异常超像素块对应的第q条采样线段上除种子点之外的像素点的数量,为该疑似异常超像素块对应的第q条采样线段上第p个像素点对应的灰度变化特征值,为该疑似异常超像素块对应的第q条采样线段上除种子点外的所有像素点对应的灰度变化特征值的均值,/>为调整参数。
2.根据权利要求1所述的一种具有纹理特征和油漆光泽的木饰面板质量检测方法,其特征在于,所述基于各纹理区域中各像素点的色彩饱和度和各纹理区域中各像素点的灰度值,得到各纹理区域的异常程度,包括:
对于任一纹理区域:根据该纹理区域中各像素点的色彩饱和度,计算该纹理区域的色彩饱和度均值;根据该纹理区域中各像素点的灰度值,计算该纹理区域的灰度均值;
采用如下公式计算各纹理区域的异常程度:
;
其中,为第B个纹理区域的异常程度,/>为纹理区域的数量,/>为第B个纹理区域的色彩饱和度均值,/>为除第B个纹理区域之外的第i个纹理区域的色彩饱和度均值,/>为第B个纹理区域的灰度均值,/>为除第B个纹理区域之外的第i个纹理区域的灰度均值,/>为取最大值函数。
3.根据权利要求1所述的一种具有纹理特征和油漆光泽的木饰面板质量检测方法,其特征在于,所述基于各纹理区域对应的各超像素块中各像素点的色彩饱和度和灰度值,计算各纹理区域对应的各超像素块的特征指标,包括:
对于任一纹理区域的任一超像素块,采用如下公式计算该超像素块的特征指标:
;
其中,为该超像素块的特征指标,/>为该超像素块种子点的色彩饱和度,/>为该超像素块种子点的灰度值,/>为该超像素块所在的纹理区域中超像素块的个数,/>为该超像素块种子点与该超像素块所在的纹理区域的第k个超像素块种子点的距离,/>为该超像素块所在的纹理区域的第k个超像素块中的第j个像素点的色彩饱和度,/>为该超像素块所在的纹理区域的第k个超像素块中的第j个像素点的灰度值,/>为该超像素块所在的纹理区域的第k个超像素块中像素点的个数。
4.根据权利要求1所述的一种具有纹理特征和油漆光泽的木饰面板质量检测方法,其特征在于,所述基于所述特征指标获得各纹理区域对应的各超像素块的异常指标;基于所述各纹理区域的异常程度和所述各纹理区域对应的各超像素块的异常指标,判断各超像素块的类别,包括:
对于任一纹理区域:
基于该纹理区域中各超像素块的特征指标,计算该纹理区域中所有超像素块的特征指标的平均值;
对于该纹理区域的任一像素块:计算该超像素块的特征指标与所述该纹理区域中所有超像素块的特征指标的平均值的差值的绝对值,记为第一绝对值;获取该超像素块的特征指标和所述该纹理区域中所有超像素块的特征指标的平均值中的最大值,记为第一最大值;计算所述第一绝对值与所述第一最大值的比值,作为该超像素块的异常指标;将所述该超像素块的异常指标与该超像素块所在的纹理区域的异常程度的乘积作为该超像素块的异常程度;判断该超像素块的异常程度是否大于异常程度阈值,若大于,则判定该超像素块为疑似异常超像素块,若小于等于,则判定该超像素块为正常超像素块。
5.根据权利要求1所述的一种具有纹理特征和油漆光泽的木饰面板质量检测方法,其特征在于,所述基于所述规则性指标,得到疑似异常超像素块中的正常超像素块和异常超像素块,包括:判断各疑似异常超像素块的规则性指标是否大于规则性指标阈值,若大于,则判定对应超像素块为正常超像素块,若小于等于,则判定对应超像素块为异常超像素块。
6.根据权利要求1所述的一种具有纹理特征和油漆光泽的木饰面板质量检测方法,其特征在于,所述基于各正常超像素块的特征指标,得到正常超像素块对应的质量评价影响指标,包括:
计算各正常超像素块的特征指标与正常超像素块的特征指标的均值的差值的平方之和,记为第一指标;计算所述第一指标与待检测木饰面板的灰度图像中正常超像素块的个数的比值,作为正常超像素块对应的质量评价影响指标。
7.根据权利要求1所述的一种具有纹理特征和油漆光泽的木饰面板质量检测方法,其特征在于,所述基于各异常超像素块的显著性指标,得到异常超像素块对应的质量评价影响指标,包括:
采用如下公式计算各异常超像素块的显著性指标:
;
其中,为第w个异常超像素块的显著性指标,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的超像素块的个数,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的第r个超像素块内的像素点个数,/>为待检测木饰面板的灰度图像中与第w个异常超像素块相邻的第R个超像素块内第r个像素点的色彩饱和度,/>为第w个异常超像素块种子点和第w个超像素块相邻的第R个超像素块内第r个像素点的距离,/>为第w个异常超像素块种子点的色彩饱和度;
对于任一异常超像素块:计算该异常超像素块的显著性指标和该异常超像素块种子点与待检测木饰面板的灰度图像的中心点之间的距离的比值,作为该异常超像素块对应的第一比值;
根据各异常超像素块对应的第一比值,计算待检测木饰面板的灰度图像中所有异常超像素块对应的第一比值的均值,作为异常超像素块对应的质量评价影响指标。
8.根据权利要求1所述的一种具有纹理特征和油漆光泽的木饰面板质量检测方法,其特征在于,所述基于所述正常超像素块对应的质量评价影响指标和所述异常超像素块对应的质量评价影响指标,判断待检测木饰面板的质量是否达标,包括:
根据所述正常超像素块对应的质量评价影响指标和所述异常超像素块对应的质量评价影响指标,采用如下公式计算待检测木饰面板的质量指标:
;
其中,为待检测木饰面板的质量指标,/>为自然常数,/>为正常超像素块对应的质量评价影响指标,/>为异常超像素块对应的质量评价影响指标,/>为第一权值;
判断所述待检测木饰面板的质量指标是否大于质量指标阈值,若大于,则判定待检测木饰面板的质量达标,若小于等于,则判定待检测木饰面板的质量不达标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206577.9A CN115294113B (zh) | 2022-09-30 | 2022-09-30 | 一种木饰面板质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206577.9A CN115294113B (zh) | 2022-09-30 | 2022-09-30 | 一种木饰面板质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294113A CN115294113A (zh) | 2022-11-04 |
CN115294113B true CN115294113B (zh) | 2023-10-27 |
Family
ID=83833735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211206577.9A Active CN115294113B (zh) | 2022-09-30 | 2022-09-30 | 一种木饰面板质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294113B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457037B (zh) * | 2022-11-10 | 2023-03-24 | 澳润(山东)药业有限公司 | 一种用于阿胶制品生产的原材料质检方法 |
CN115661173B (zh) * | 2022-11-10 | 2023-03-10 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
CN115641329B (zh) * | 2022-11-15 | 2023-04-07 | 武汉惠强新能源材料科技有限公司 | 一种锂电池隔膜缺陷检测方法及系统 |
CN115641331B (zh) * | 2022-11-18 | 2023-03-28 | 山东天意装配式建筑装备研究院有限公司 | 一种墙板膜具喷涂效果的智能检测方法 |
CN115619050B (zh) * | 2022-12-19 | 2023-03-28 | 绵阳丰瑞尚雅木业有限公司 | 一种防火铝木饰面板加工质量预测方法、系统及存储介质 |
CN116168039B (zh) * | 2023-04-26 | 2023-07-14 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
CN116485788B (zh) * | 2023-06-16 | 2023-08-29 | 东莞市华驰高分子材料有限公司 | 图像处理方法及手机pet保护膜底涂工艺质量检测方法 |
CN116580031B (zh) * | 2023-07-13 | 2023-09-29 | 山东勇嘉包装科技股份有限公司 | 一种无溶剂复合印刷异常检测方法 |
CN116805313B (zh) * | 2023-08-21 | 2023-12-01 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN116912277B (zh) * | 2023-09-12 | 2023-12-12 | 山东鲁泰化学有限公司 | 一种循环水除垢效果评估方法及系统 |
CN116934636B (zh) * | 2023-09-15 | 2023-12-08 | 济宁港航梁山港有限公司 | 一种水质实时监测数据智能管理系统 |
CN116993724B (zh) * | 2023-09-26 | 2023-12-08 | 卡松科技股份有限公司 | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 |
CN117237339B (zh) * | 2023-11-10 | 2024-02-27 | 山东多沃基础工程有限公司 | 一种基于图像处理的地螺丝打孔点位选取方法及系统 |
CN118097310B (zh) * | 2024-04-24 | 2024-07-09 | 陕西丰京建材有限公司 | 一种数字化检测混凝土表面缺陷的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897896A (zh) * | 2022-07-11 | 2022-08-12 | 南通东方雨虹建筑材料有限公司 | 基于灰度变换的建筑木材缺陷检测方法 |
CN115063409A (zh) * | 2022-07-28 | 2022-09-16 | 南通恒强轧辊有限公司 | 一种机械刀具表面材质检测方法及系统 |
-
2022
- 2022-09-30 CN CN202211206577.9A patent/CN115294113B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897896A (zh) * | 2022-07-11 | 2022-08-12 | 南通东方雨虹建筑材料有限公司 | 基于灰度变换的建筑木材缺陷检测方法 |
CN115063409A (zh) * | 2022-07-28 | 2022-09-16 | 南通恒强轧辊有限公司 | 一种机械刀具表面材质检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115294113A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN116363133A (zh) | 基于机器视觉的照明器配件缺陷检测方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115239735A (zh) | 基于计算机视觉的通信柜表面缺陷检测方法 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN118196068B (zh) | 一种基于人工智能的纺织品印染质量监控系统 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN113935666A (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN117372435B (zh) | 基于图像特征的连接器针脚检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN111523605B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
CN116735610A (zh) | 一种基于机器视觉的钢管表面缺陷检测方法 | |
CN115311288B (zh) | 一种汽车贴膜破损检测方法 | |
CN116797575A (zh) | 一种基于机器视觉的碎米率智能检测方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
CN114881952A (zh) | 一种铸件缺陷区域检测及边缘准确分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |